Del via

Operationer af struktur

Hver oplevelse i Microsoft Fabric understøtter unikke handlinger. En handlings forbrugsrate er det, der konverterer brugen af oplevelsens rå målepunkter til Beregningsenheder (CU).

Siden Microsoft Fabric Capacity Metrics-appens compute giver et overblik over kapacitetens ydeevne og viser Fabric-handlinger, der forbruger beregningsressourcer.

Denne artikel indeholder en liste over disse handlinger efter erfaring og forklarer, hvordan de forbruger ressourcer i Fabric.

Interaktive handlinger og baggrundshandlinger

Microsoft Fabric opdeler handlinger i to typer, interactive og background. I denne artikel beskrives disse handlinger, og forskellen mellem dem forklares.

Interaktive operationer

Anmodninger og handlinger efter behov, der kan udløses af brugerinteraktioner med brugergrænsefladen, f.eks. datamodelforespørgsler, der genereres af rapportvisualiseringer, klassificeres som interaktive handlinger. De udløses normalt af brugerinteraktioner med brugergrænsefladen. En interaktiv handling udløses f.eks., når en bruger åbner en rapport eller vælger et udsnit i en Power BI rapport. Interaktive handlinger kan også udløses uden at interagere med brugergrænsefladen, f.eks. når du bruger SQL Server Management Studio (SSMS) eller et brugerdefineret program til at køre en DAX-forespørgsel.

Baggrundsaktiviteter

Længerevarende handlinger, f.eks. opdateringer af semantisk model eller dataflow, klassificeres som handlinger i baggrunden . De kan udløses manuelt af en bruger eller automatisk uden brugerinteraktion. Handlinger i baggrunden omfatter planlagte opdateringer, interaktive opdateringer, REST-baserede opdateringer og XMLA-baserede opdateringshandlinger. Det forventes ikke, at brugerne venter på, at disse handlinger afsluttes. I stedet kan de vende tilbage senere for at kontrollere status for handlingerne.

Sådan læser du dette dokument

Hver oplevelse har en tabel, der viser handlingerne med følgende kolonner:

Når der er flere oplysninger om forbrugssatsen tilgængelige, vises der et link til dokumentet med disse oplysninger.

Stofhandlinger efter erfaring

Dette afsnit er opdelt i Fabric-oplevelse. Hver oplevelse havde en tabel, der viser dens handlinger.

Important

Forbrugssatserne kan ændres når som helst. Microsoft vil gøre en rimelig indsats for at give besked via mail eller via meddelelse i produktet. Ændringerne træder i kraft på den dato, der er angivet i Microsofts Release Notes eller Microsoft Fabric blog. Hvis en ændring af en Microsoft Fabric arbejdsbelastningsforbrugsfrekvens øger de kapacitetsenheder (CU), der kræves for at bruge en bestemt arbejdsbelastning, kan kunderne bruge de annulleringsindstillinger, der er tilgængelige for den valgte betalingsmetode.

Copilot i Fabric

Copilot-handlinger er angivet i denne tabel. Du kan finde forbrugssatserne for Copilot i Copilot forbrug.

Operation Description Item Azure faktureringsmåler Type
Copilot i Fabric Beregningsomkostninger, der er knyttet til inputprompter og fuldførelse af output Multiple Copilot og AI Background
AI-funktioner Konsoliderer brug af Fabric AI-funktioner og Azure OpenAI Service kald (via REST API, Python SDK og SynapseML), der er startet fra Notesbøger og Dataflow Gen2 Multiple Copilot og AI Background
AI-tjenester Rapporterer Azure brug af AI Services i Fabric, herunder Text Analytics og Azure AI Translator Multiple Copilot og AI Background

Note

Fra og med den 17. marts 2026 viser appen Capacity Metrics AI Functions og AI Services som separate handlinger. Dette er en ændring, der kun gælder for rapportering. underliggende forbrugsrater er uændrede.

Dataagent i Fabric

Dataagenthandlinger er angivet i denne tabel. I metrikappens matrix efter element- og handlingstabeler dataagenthandlinger angivet under LlmPlugin elementtype.

Du kan finde forbrugssatserne for dataagenten i Forbrug af dataagenter.

Operation Description Item Azure faktureringsmåler Type
AI-forespørgsel Beregningsomkostninger, der er knyttet til inputprompter og fuldførelse af output LlmPlugin Copilot og AI Background

Data Factory

Data Factory-oplevelsen indeholder handlinger for dataflow Gen2 og pipelines.

Dataflow Gen2

Du kan finde forbrugssatserne for Dataflow Gen2 i Prisfastsættelse for Dataflow Gen2 for Data Factory i Microsoft Fabric.

Note

Fra og med oktober 2025 er handlingsnavnet Dataflow Gen2 Refresh blevet omdøbt til Dataflow Gen2 Run Queries.

Operation Description Item Azure faktureringsmåler Type
Gen2-kørselsforespørgsler for dataflow Beregningsomkostninger, der er knyttet til Gen2-evalueringshandling for dataflow Dataflow Gen2 Cu for forbrug af standardberegningskapacitet for dataflow Background
Beregning af dataflow i høj skala – SQL-slutpunktsforespørgsel Forbrug, der er relateret til SQL-slutpunktet for det midlertidige lager Gen2-dataflow Warehouse Cu for beregningskapacitet for dataflow i høj skala Background

Pipelines

Du kan finde forbrugssatserne for Pipelines i Pipeline-priser for Data Factory i Microsoft Fabric.

Operation Description Item Azure faktureringsmåler Type
DataMovement Den mængde tid, der bruges af kopiaktiviteten i en Data Factory-pipeline, divideret med antallet af dataintegrationsenheder Pipeline Forbrug af dataflytningskapacitet CU Background
ActivityRun Udførelse af en Data Factory-pipelineaktivitet Pipeline Cu for kapacitetsforbrug af dataorkestreringskapacitet Background

Databases

One Fabric-kapacitetsenhed = 0,383 SQL-database vCores.

Operation Description Item Azure faktureringsmåler Type
SQL-brug Beregning for alle brugeroprettede og systemoprettede SQL-forespørgsler, ændringer og databehandlingshandlinger i en database Database SQL-database i Microsoft Fabric CU for kapacitetsforbrug Interactive
Allokeret SQL-lager Den dynamisk allokerede lagerplads til en SQL-database i Fabric, der bruges til lagring af tabeller, indekser, transaktionslogge og metadata. Fuldt integreret med OneLake. Database Lagrede SQL Storage-data Background

data warehouse

En Fabric Data Warehouse-kerne (beregningsenhed for Data Warehouse) svarer til to Fabric Capacity Units (CU'er).

Operation Description Item Azure faktureringsmåler Type
Forespørgsel på lagersted Beregningsgebyr for alle brugeroprettede og systemoprettede T-SQL-sætninger i et lager Warehouse cu for Data Warehouse kapacitetsforbrug Background
SQL-slutpunktsforespørgsel Beregningsgebyr for alle brugeroprettede og systemoprettede T-SQL-sætninger i SQL-analyseslutpunktet for en Lakehouse Warehouse cu for Data Warehouse kapacitetsforbrug Background

Fabric API til GraphQL

GraphQL-handlinger består af anmodninger, der udføres på API for GraphQL-elementer af API-klienter. Hver GraphQL-behandlingstid for anmodnings- og svarhandlinger rapporteres i Kapacitetsenheder (CU'er) i sekunder med en hastighed på ti CU'er pr. time.

Operation Description Item Azure faktureringsmåler Type
Query Beregningsgebyr for alle genererede GraphQL-forespørgsler (læsninger) og mutationer (skrivninger) af klienter i en GraphQL-API GraphQL API til GraphQL Query Capacity Usage CU Interactive

Funktioner til brugerdata i struktur

Fabric User Data Functions handlinger består af anmodninger, der er startet af Fabric-portalen, andre Fabric-artefakter eller klientprogrammer. Hver operation pådrager sig et gebyr for funktionsudførelsen, intern lagring af funktionsmetadataene i OneLake og tilhørende læse- og skriveoperationer i OneLake.

Operation Description Item Azure faktureringsmåler Type
Udførelse af brugerdatafunktioner Beregningsgebyr for udførelsen af funktionen inde i elementet Brugerdatafunktioner. Denne handling er resultatet af at køre en funktion efter en anmodning fra Fabric-portalen, et andet Fabric-element eller et eksternt program. Brugerdatafunktioner Udførelse af brugerdatafunktion (CU/s) Interactive
Test af brugerdatafunktioner Beregningsgebyr for testudførelse af en funktion inde i elementet Brugerdatafunktioner. Denne handling er resultatet af test af en funktion i "Udviklingstilstand" under en testsession. Testsessionen har en varighed på mindst 15 minutter. Brugerdatafunktioner Udførelse af brugerdatafunktion (CU/s) Interactive
Statisk lager for brugerdatafunktioner Statisk lagring af interne funktionsmetadata i en tjenesteadministrerede OneLake-konto. Dette beregnes med den komprimerede størrelse af metadataene for elementet User Data Functions. Dette er omkostningerne ved at oprette brugerdatafunktioner, selvom de ikke bruges. OneLake-opbevaring OneLake-opbevaring Background
Læsning af statisk lager for brugerdatafunktioner Læsehandling for interne funktionsmetadata, der er gemt på en tjenesteadministreret OneLake-konto. Denne handling udføres, hver gang en funktion udføres efter en periode med inaktivitet. Læsehandlinger for OneLake Læsehandlinger for OneLake Background
Skrivning af statisk lager til brugerdatafunktioner Skriver og opdaterer interne funktionsmetadata, der er gemt på en systemadministreret OneLake-konto. Denne handling udføres, hver gang elementet User Data Functions udgives. OneLake-skrivehandlinger OneLake-skrivehandlinger Background
Iterativ læsning af statisk lager for brugerdatafunktioner Læsehandlinger for interne funktionsmetadata, der er gemt på en tjenesteadministreret OneLake-konto. Denne handling udføres, hver gang Brugerdatafunktioner vises. OneLake-iterative læsehandlinger OneLake-iterative læsehandlinger Background
Brugerdatafunktioner Statisk lager Andre handlinger Lagerhandlinger for relateret til forskellige funktionsmetadata på en tjenesteadministrerede OneLake-konto. OneLake Andre handlinger OneLake Andre handlinger Background

Ml-modelslutpunkt

Med ml-modelslutpunktdokumenter kan du uden problemer udføre forudsigelser i realtid. I baggrunden spinner Fabric op og administrerer den underliggende objektbeholderinfrastruktur for at hoste din model.

Operation Description Item Azure faktureringsmåler Type
Modellens slutpunkt TBD ML-model CU for kapacitetsforbrug for ML-modelslutpunkt Background

OneLake

One Lake-beregningshandlinger repræsenterer de transaktioner, der udføres på One Lake-elementer. Forbrugshastigheden for hver handling varierer afhængigt af dens type. Du kan finde flere oplysninger i One Lake-forbrug.

Operation Description Item Azure faktureringsmåler Type
OneLake Læs via omdirigering OneLake Læs via omdirigering Multiple Cu for kapacitetsforbrug for læsehandlinger i OneLake Background
OneLake Læs via proxy OneLake Læs via proxy Multiple OneLake-læsehandlinger via API-kapacitetsforbrug CU Background
OneLake Skriv via omdirigering OneLake Skriv via omdirigering Multiple Cu for kapacitetsforbrug for OneLake-skrivehandlinger Background
OneLake Skriv via proxy OneLake Skriv via proxy Multiple OneLake-skrivehandlinger via CU for API-kapacitetsforbrug Background
OneLake Iterativ skrivning via omdirigering OneLake Iterativ skrivning via omdirigering Multiple OneLake-iterative skrivehandlinger Background
OneLake Iterativ Læs via omdirigering OneLake Iterativ Læs via omdirigering Multiple OneLake-iterativ læsedrift Kapacitetsforbrug CU Background
OneLake Andre handlinger OneLake Andre handlinger Multiple OneLake Andre handlinger Kapacitetsforbrug CU Background
OneLake Andre handlinger via omdirigering OneLake Andre handlinger via omdirigering Multiple OneLake Andre handlinger via CU for API-kapacitetsforbrug Background
OneLake Iterativ skrivning via proxy OneLake Iterativ skrivning via proxy Multiple OneLake Iterative skrivehandlinger via CU for API-kapacitetsforbrug Background
OneLake Iterativ læsning via proxy OneLake Iterativ læsning via proxy Multiple OneLake Iterative Read Operations via CU for API-kapacitetsforbrug Background
OneLake BCDR Læs via proxy OneLake BCDR Læs via proxy Multiple OneLake BCDR Read Operations via API-kapacitetsforbrug CU Background
OneLake BCDR Skriv via proxy OneLake BCDR Skriv via proxy Multiple OneLake BCDR-skrivehandlinger via CU for API-kapacitetsforbrug Background
OneLake BCDR Læs via Omdirigering OneLake BCDR Læs via Omdirigering Multiple OneLake BCDR Læs Operationer Kapacitetsforbrug CU Background
OneLake BCDR Skriv via omdirigering OneLake BCDR Skriv via omdirigering Multiple OneLake BCDR-kapacitetsforbrug for kapacitetsforbrug for BCDR Background
OneLake BCDR iterativ læsning via proxy OneLake BCDR iterativ læsning via proxy Multiple OneLake BCDR Iterative Read Operations via CU for API-kapacitetsforbrug Background
OneLake BCDR Iterativ læsning via omdirigering OneLake BCDR Iterativ læsning via omdirigering Multiple OneLake BCDR Iterativ læsedrift Kapacitetsforbrug CU Background
OneLake BCDR Iterativ skrivning via proxy OneLake BCDR Iterativ skrivning via proxy Multiple OneLake BCDR Iterative skrivehandlinger via CU for API-kapacitetsforbrug Background
OneLake BCDR Iterativ Skriv via omdirigering OneLake BCDR Iterativ Skriv via omdirigering Multiple OneLake BCDR Iterativ skrivning Operationer Kapacitetsforbrug CU Background
OneLake BCDR Andre handlinger OneLake BCDR Andre handlinger Multiple OneLake BCDR Andre handlinger Kapacitetsforbrug CU Background
OneLake BCDR Andre handlinger via omdirigering OneLake BCDR Andre handlinger via omdirigering Multiple OneLake BCDR Andre handlinger via API-kapacitetsforbrug CU Background

Power BI

Forbruget for hver handling rapporteres i CU-behandlingstiden i sekunder. Otte CU'er svarer til én Power BI v-kerne.

Note

Udtrykket semantisk model erstatter udtrykket datasæt. Du kan stadig se det gamle ord i brugergrænsefladen, indtil det er helt erstattet.

Vi fakturerer i øjeblikket ikke for R/Py-visualiseringer i Power BI.

Operation Description Item Azure faktureringsmåler Type
Kunstig intelligens (AI) Evaluering af AI-funktion kunstig intelligens Power BI kapacitetsforbrug CU Interactive
Baggrundsforespørgsel Forespørgsler til opdatering af felter og oprettelse af snapshots af rapporter Semantisk model Power BI kapacitetsforbrug CU Background
Dataflow DirectQuery Opret direkte forbindelse til et dataflow uden at skulle importere dataene til en semantisk model Dataflow Gen1 Power BI kapacitetsforbrug CU Interactive
Opdatering af dataflow En opdatering af dataflow efter behov eller planlagt baggrund, der udføres af tjenesten eller med REST API'er. Dataflow Gen1 Power BI kapacitetsforbrug CU Background
Semantisk opdatering efter behov af semantisk model En semantisk baggrundsopdatering af en semantisk model, der er startet af brugeren, ved hjælp af tjenesten, REST API'er eller offentlige XMLA-slutpunkter Semantisk model Power BI kapacitetsforbrug CU Background
Planlagt opdatering af semantisk model En planlagt semantisk modelopdatering i baggrunden, der udføres af tjenesten, REST API'er eller offentlige XMLA-slutpunkter Semantisk model Power BI kapacitetsforbrug CU Background
Fuldt mailabonnement på rapport En PDF- eller PowerPoint kopi af en hel Power BI rapport, der er vedhæftet et mailabonnement Report Power BI kapacitetsforbrug CU Background
Interaktiv forespørgsel Forespørgsler, der er startet af en dataanmodning efter behov. Det kan f.eks. være indlæsning af en model, når du åbner en rapport, brugerinteraktion med en rapport eller forespørger om et datasæt før gengivelse. Indlæsning af en semantisk model kan blive rapporteret som en separat interaktiv forespørgselshandling. Semantisk model Power BI kapacitetsforbrug CU Interactive
PublicApiExport En Power BI rapport, der eksporteres med eksportér rapporten til fil REST API Report Power BI kapacitetsforbrug CU Background
Render En Power BI sideinddelt rapport, der eksporteres med rest-API'en eksportér sideinddelt rapport til fil REST-API Sideinddelt rapport Power BI kapacitetsforbrug CU Background
Render En Power BI sideinddelt rapport, der vises i Power BI service Sideinddelt rapport Power BI kapacitetsforbrug CU Interactive
Læsning af webmodellering Læsehandling for en datamodel i brugeroplevelsen for webmodellering af semantiske modeller Semantisk model Power BI kapacitetsforbrug CU Interactive
Skriv til webmodellering En skrivehandling for en datamodel i brugeroplevelsen for webmodellering af semantiske modeller Semantisk model Power BI kapacitetsforbrug CU Interactive
XMLA-læsning XMLA-læsehandlinger, der er startet af brugeren, for forespørgsler og opdagelser Semantisk model Power BI kapacitetsforbrug CU Interactive
XMLA-skrivning En XMLA-skrivehandling i baggrunden, der ændrer modellen Semantisk model Power BI kapacitetsforbrug CU Background
udførelse af Power BI scriptingvisualisering Visuelle R- og Py-elementer, der udløses ved at gengive Power BI rapport Power BI scriptingrapport Spark-hukommelsesoptimeret kapacitet (CU) Interactive

Intelligence i realtid

Den Real-Time Intelligence-oplevelse indeholder handlinger for Anomaly Detector, Azure- og Fabric-hændelser, digital twin builder (prøveversion), Eventstream og KQL-database og KQL-forespørgselssæt.

Afvigelsesregistrering

Du kan finde forbrugsraterne for Anomaly Detector i Anomaly Detector kapacitetsforbrug og fakturering i Real-Time Intelligence.

Operation Description Item Azure faktureringsmåler Type
Anomalidetektor-kørselsforespørgsler Interaktiv analyse og kontinuerlig overvågning Anomaly-detektor Anomalidetektorforespørgsler kapacitetsforbrug CU Background

Azure- og Fabric-begivenheder

Du kan finde forbrugsraterne for Azure- og Fabric-begivenheder i Azure og Fabric-hændelseskapacitetsforbrug.

Operation Description Item Azure faktureringsmåler Type
Operationer af begivenheder Udgivelses-, leverings- og filtreringshandlinger Multiple Realtidsintelligens – hændelseshandlinger Background
Lytter til begivenheder Hændelseslyttefunktionens oppetid Multiple Realtidsintelligens – hændelseslytte og besked Background

Digital twin builder (prøveversion)

Du kan finde forbrugsraterne for Digital Twin Builder (prøveversion) i Kapacitetsforbrug i Digital Twin Builder (prøveversion), forbrugsrapportering og fakturering.

Note

Målerne til digital twin builder er i øjeblikket prøveversion og kan ændres.

Operation Description Item Azure faktureringsmåler Type
Digital Twin Builder-handling Brug af flowhandlinger efter behov og planlagt digital tvillingegenerator Digital twin builder-flow Cu for kapacitetsforbrug for Digital Twin Builder-handlingskapacitet Background

Eventstream

Du kan finde forbrugshastighederne for Eventstream i Monitor-kapacitetsforbrug for Microsoft Fabric Eventstream.

Operation Description Item Azure faktureringsmåler Type
Hændelsesstream pr. time Flad opladning Eventstream Cu for kapacitetsforbrug for hændelsesstream Background
Hændelsesstreamdatatrafik pr. GB Dataindgang & udgående volumen i standard- og afledte streams (omfatter opbevaring i 24 timer) Eventstream Cu for forbrug af hændelsestrafikdatatrafikkapacitet Background
Hændelsesstreamprocessor pr. time Beregningsressourcer, der forbruges af processoren Eventstream Cu for forbrug af hændelsesprocessorkapacitet Background
Eventstream-connectors pr. vCore-time Beregningsressourcer, der forbruges af connectorerne Eventstream Cu for kapacitetsforbrug for Eventstream-connector Background

KQL-database og KQL-forespørgselssæt

Du kan finde forbrugssatserne for KQL Database i KQL Database-forbrug.

Operation Description Item Azure faktureringsmåler Type
Oppetid for eventhouse Måling af det tidspunkt, hvor Eventhouse er aktiv Eventhouse Cu for kapacitetsforbrug for hændelseshus Background

Spark

Two Spark VCores (en enhed med beregningskraft til Spark) svarer til én kapacitetsenhed (CU). Hvis du vil forstå, hvordan Spark-handlinger bruger CU'er, skal du se Spark-puljer.

Operation Description Item Azure faktureringsmåler Type
Lakehouse-aktiviteter Brugere får vist en eksempeltabel i Lakehouse Explorer Lakehouse Cu for optimeret kapacitetsforbrug for spark-hukommelse Background
Lakehouse-tabelbelastning Brugere indlæser deltatabel i Lakehouse Explorer Lakehouse Cu for optimeret kapacitetsforbrug for spark-hukommelse Background
Notebook kører Notesbog køres manuelt af brugere Notebook Cu for optimeret kapacitetsforbrug for spark-hukommelse Background
HC-kørsel af notesbog Kørsel af notesbog under Spark-sessionen med høj samtidighed Notebook Cu for optimeret kapacitetsforbrug for spark-hukommelse Background
Planlagt kørsel af notesbog Kørsel af notesbog udløst af planlagte hændelser for notesbogen Notebook Cu for optimeret kapacitetsforbrug for spark-hukommelse Background
Kørsel af notesbogpipeline Kørsel af notesbog udløst af pipeline Notebook Cu for optimeret kapacitetsforbrug for spark-hukommelse Background
Kørsel af VS Code for notesbog Notesbog kører i VS Code. Notebook Cu for optimeret kapacitetsforbrug for spark-hukommelse Background
Kørsel af Spark-job Spark-batchjobkørsler, der er startet af brugerindsendelse Definition af Spark-job Cu for optimeret kapacitetsforbrug for spark-hukommelse Background
Spark-job med planlagt kørsel Batchjobkørsler, der udløses af planlagte hændelser for notesbogen Definition af Spark-job Cu for optimeret kapacitetsforbrug for spark-hukommelse Background
Kørsel af Spark-jobpipeline Batchjobkørsler udløst af pipeline Definition af Spark-job Cu for optimeret kapacitetsforbrug for spark-hukommelse Background
Kørsel af Spark-job-VS Code Spark-jobdefinition sendt fra VS Code Definition af Spark-job Cu for optimeret kapacitetsforbrug for spark-hukommelse Background
Kørsel af materialiseret visning af søen Brugere planlægger kørsler af materialiserede lakevisninger Lakehouse Cu for optimeret kapacitetsforbrug for spark-hukommelse Background
Transformationer af genveje Genvejstransformationer, der er oprettet i Lakehouse Lakehouse Cu for optimeret kapacitetsforbrug for spark-hukommelse Background

Relateret indhold

  • Last updated on